Asistente conversacional web con IA

Quiero poner en línea una aplicación web que permita al usuario mantener una conversación natural por voz con una inteligencia artificial.

Flujo que necesito:
1. El usuario habla; la aplicación captura el audio y lo transforma a texto mediante STT.
2. Ese texto se envía a un modelo de lenguaje (por ejemplo, OpenAI GPT-4) para generar la respuesta.
3. La respuesta se convierte de nuevo a voz usando TTS y se reproduce al instante para el usuario.

Entrego flexibilidad en la selección de librerías o servicios—Web Speech API, Whisper, Amazon Polly, Google Cloud Text-to-Speech, etc.—siempre que el resultado sea estable y de baja latencia. El código debe quedar bien documentado y listo para desplegarse en un hosting estándar (puede ser Vercel, Render o similar) con instrucciones paso a paso.

Busco como entregables:
• Front-end limpio con un botón de “hablar” y visualización del texto reconocido y generado.
• Back-end o funciones serverless que gestionen la llamada al LLM y al servicio de voz.
• Archivo README donde expliques instalación, variables de entorno y cómo cambiar de proveedor STT/TTS si fuera necesario.
• Breve guía sobre cómo ampliar a móvil en el futuro.

Si ya has construido algo parecido o conoces buenas prácticas para reducir la latencia, menciónalo en tu propuesta.